Introducción

En el presente estudio se procederá a analizar el data set llamado “Netflix Prize data” obtenido de la página web Kaggle. Dicho dataset se creó como una competición para encontrar el mejor algoritmo de predicción de la puntuación que los usuarios dan a las películas de la plataforma.

El objetivo es analizar diversos aspectos y estadísticos de las variables y representarlo gráficamente. No obstante, antes de extraer la información y comenzar a trabajar sobre ella se ha procedido a visualizar qué tipo de datos están disponibles:

Combined Data

Los archivos ‘combined_data_{nº}’ contienen la información de las puntuaciones de los usuarios para determinado código de película, así como el identificador de usuario y la fecha (día, mes y año) en la que se dio dicha valoración.

Esta base de datos ocupada un gran espacio en memoria (más de 2GB), por lo que se procederá a extraer los datos de 250 películas escogidas de manera aleatoria con una semilla (“2495”).

Movie titles

Otro de los archivos que se utilizarán en este estudio contiene el título de cada ID asociado a las películas y su respectivo año de estreno. En secciones posteriores se explicará cómo se ha realizado la inclusión de estos datos junto con los iniciales para obtener el dataset final con el que se trabajará de forma más cómoda.

Una vez realizado este proceso se generará una nueva variable para incluirla en el estudio ya que sería interesante medir la diferencia de años transcurridos desde el estreno hasta la puntuación de las diferentes películas.

 

Carga y lectura de datos

El primer paso para realizar la carga de datos es leer el fichero “filas_ID_combined_all.txt”, del cual se obtendrá , por cada ID de película, el número del fichero donde se encuentran las puntuaciones de cada usuario y las posiciones de la fila inicial y final de estas. De la misma forma, se exportarán los cuatro ficheros ‘combined_data_{nº}’ con la información de las puntuaciones de las películas.

Ya que el fichero “filas_ID_combined_all.txt” cuenta con la información de todas las películas, después de exportarlo se realizará un filtrado para obtener solo las filas de las 250 películas que son interesantes para este estudio. Seguidamente, se utilizará la función obtain_movies para que, pasados los parámetros del fichero “filas_ID_combined_all.txt” y el ID de ‘combined_data_{nº}’, se calculen todas las posiciones o filas a leer y devuelva un combined_data con solo las observaciones de las películas que se saben que se encuentran en dicho fichero.

#Función que obtiene los datos de filas específicas
obtain_movies = function(idx, combined_data, index_data){
  #Se obtienen las películas del archivo a leer (1,2,3 o 4)
  rows_data = filter(index_data, data == idx)
  rows_data = select(rows_data, fila, fila_final)
  
  #Por cada fila se guarda el rango de posiciones a leer en el fichero
  range =  apply(rows_data, 1, function(i){c(i[1]:i[2])})
  range = unlist(range)
  
  #Se extraen los datos de las películas de la muestra
  return (slice(combined_data[[idx]], range))
}
#Se obtiene la muestra de películas
n_muestra = 250
set.seed(2495)
muestra_grupo = sample(1:17770, n_muestra, replace = FALSE)

#Se lee el fichero y nos quedamos con el índice de las películas de la muestra
filas_ID_combined_all = read.csv("data/filas_ID_combined_all.txt")
filas_ID_combined_all %<>% 
  filter(filas_ID_combined_all$ID %in% muestra_grupo) %>%
  select(ID, fila, fila_final, data)

#Se cargan los ficheros con la información de Netflix
file_names = list.files("data/", pattern = "^combined_data") 
file_list = lapply(file_names, function(i){read_tsv(file.path("data", i), col_names = FALSE)})

#Se leen las observaciones de las películas de la muestra por cada fichero
data_list = lapply(seq_along(file_list), FUN = obtain_movies, combined_data = file_list, index_data = filas_ID_combined_all)

#Se juntan los datos de las películas de los 4 ficheros
df_ratings = bind_rows(data_list)

#Se exportan los datos de las películas de la muestra
write.table(df_ratings,"data/data_sample.txt", row.names = FALSE, col.names = FALSE)

#Se eliminan variables que ya no son útiles
rm(data_list, file_list, file_names, filas_ID_combined_all)

 

Construcción del modelo de datos

Una vez se han exportado los ficheros necesarios y filtrado las observaciones de interés, se procede a la limpieza y construcción del modelo de datos final. Se generará un dataset que por cada observación contenga: ID de la película, ID de usuario, calificación y fecha de calificación.

#Se asigna una posición a cada observación para posteriormente indicar el id de película de cada una de ellas
df_ratings = df_ratings %>% 
             mutate(Idx = row_number()) 

#Se guarda la fila donde empieza cada película
movie_rows = grep(":", df_ratings$X1) 

#Se añade el id de la película a cada posición y se elimina el caracter ":"
rows_ID = df_ratings %>% 
          filter(Idx %in% movie_rows) %>%
          mutate(X1 = as.integer(gsub(":","",X1)))

#Número de veces que se tendrá que repetir el identificador de cada película
reps = diff(c(rows_ID$Idx, max(df_ratings$Idx) + 1))
netflix = df_ratings %>% 
     mutate(MovieID = rep(rows_ID$X1, times = reps)) %>% 
     filter(!(Idx %in% rows_ID))

#Se definen las columnas del dataframe
netflix %<>% 
     separate(X1,into = c("UserID","Rating","RatingDate"), sep = ",") %>%
     na.omit(netflix) %>%
     mutate(Idx = row_number())

#Se eliminan las variables auxiliares
rm(df_ratings, movie_rows, rows_ID, reps)

Con el objetivo de completar el dataset, se realiza la unión de la tibble netflix con los datos exportados del fichero movies_titles.csv, añadiendo así la variable del nombre de la película y el año de estreno. Una vez se ha realizado el inner join, se procede al cambio de tipo de cada variable para que concuerde con la información que representan.

#Lectura del fichero movie_titles.csv
df_movies = read_tsv("data/movie_titles.csv", locale = readr::locale(encoding = "ISO-8859-1"), col_names=FALSE)

df_movies %<>% 
  separate(X1,",",into =c("MovieID","MovieRelease","Title"), extra="merge") %>%
  filter(MovieID %in% muestra_grupo)

#Se transforma la variable MovieRelease a numérica
df_movies$MovieRelease = as.numeric(df_movies$MovieRelease)

#Se transforma la variable MovieRelease a numérica
netflix$MovieID = as.character(netflix$MovieID)

#Se unifica el dataframe de las puntuaciones con el de las películas
netflix = inner_join(x = netflix, y = df_movies, by = "MovieID", all = TRUE)

#Se transforma la variable 'Rating' a tipo númerica
netflix$Rating = as.numeric(netflix$Rating)

#Se transforma la variable 'RatingDate' a tipo date
netflix$RatingDate = as.Date(netflix$RatingDate, format = "%Y-%m-%d")

#Se añade la diferencia en años entre el año de puntuación y el de estreno de la película
netflix = mutate(netflix, YearsSinceRelease = year(RatingDate) - MovieRelease)

#Se transforma la variable YearsSinceRelease a numérica
netflix$YearsSinceRelease = as.numeric(netflix$YearsSinceRelease)

#Adicionalmente, se divide la variable RatingDate en: día, mes y año
#Se ordenan las posiciones de las columnas y se indican su nuevo nombre
netflix %<>%
  separate(RatingDate,into = c("Year","Month","Day"), sep = "-", remove = FALSE) %>%
  na.omit(netflix) %>%
  mutate(Idx = row_number()) %>%
  select(Idx, MovieID, Title, UserID, Rating, Day, Month, Year, RatingDate, MovieRelease,  YearsSinceRelease)

#Se exporta el fichero preparado y se construye para empezar a trabajar en su análisis
write.csv(netflix, "data/netflix.csv", row.names = FALSE)

 

Analizando nuestros datos

Una vez se han exportado, leído y modelado los datos, se procede a analizarlos empezar a trabajar con ellos.

Estructura del modelo de datos

El primer paso es visualizar la estructura del dataset:

## tibble [1,093,856 x 11] (S3: tbl_df/tbl/data.frame)
##  $ Idx              : int [1:1093856] 1 2 3 4 5 6 7 8 9 10 ...
##  $ MovieID          : chr [1:1093856] "43" "43" "43" "43" ...
##  $ Title            : chr [1:1093856] "Silent Service" "Silent Service" "Silent Service" "Silent Service" ...
##  $ UserID           : chr [1:1093856] "305151" "497196" "2327803" "2625420" ...
##  $ Rating           : num [1:1093856] 4 3 1 2 5 2 1 3 5 2 ...
##  $ Day              : chr [1:1093856] "20" "13" "19" "13" ...
##  $ Month            : chr [1:1093856] "02" "04" "08" "05" ...
##  $ Year             : chr [1:1093856] "2005" "2003" "2001" "2004" ...
##  $ RatingDate       : Date[1:1093856], format: "2005-02-20" "2003-04-13" ...
##  $ MovieRelease     : num [1:1093856] 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 ...
##  $ YearsSinceRelease: num [1:1093856] 5 3 1 4 3 3 5 2 3 3 ...

  • Idx: Variable cuantitativa discreta que determina la posición o índice de cada observación del dataset.

  • MovieID: Variable cualitativa que identifica a cada película con un ID determinado, este ID está asociado a un título que será representado por la variable “Title”.

  • Title: Variable cualitativa que representa el título de cada una de las películas identificadas con un ID en la variable “MovieID”.

  • UserID: Variable cualitativa que representa el ID único del usuario que ha calificado la película.

  • Rating: Variable cuantitativa ordinal que representa la calificación que ha hecho cada usuario de las películas que ha puntuado. Esta calificación puede ser dentro del rango [1,2,3,4,5], donde 1 estrella representa la calificación más baja y 5 estrellas la calificación más alta.

  • RatingDate: Variable cuantitativa continua definida como tipo date, que representa la fecha en la cual el usuario realizó la calificación de una determinada película. También disponemos de las variables cuantitativas Year, Month y Day generadas al separar RatingDate.

  • MovieRelease: Variable cuantitativa discreta que indica el año en el cual se estrenó la película. El año de estreno puede referirse tanto a estreno de una determinada película en el cine como en DVD.

  • YearsSinceRelease: Variable cuantitativa discreta la cual se ha calculado mediante la resta de RatingDate y MovieRelease. Esta variable indica el número de años que ha pasado desde que se ha estrenado una determinada película hasta que el usuario la ha calificado.

 

Calificaciones de las películas

A continuación se realiza un análisis de las calificaciones de los usuarios y su relación con otras variables del dataset.

¿Cuántas calificaciones hay en total y cómo se distribuyen?

Con el fin de tener una visión global de cuántas calificaciones hay en total en la muestra, se representa con un diagrama de barras la cantidad de diferentes calificaciones según el número de estrellas.

ggplot(data = netflix, aes(x = Rating)) +
  geom_bar(aes(y = ..count.., fill = ..count..), 
           show.legend = FALSE) +
  geom_label(aes(label = ..count.., y = ..count..), 
            stat = "count",
            vjust = -.5,
            size = 5) +
  scale_fill_gradient(low = "lightcoral", high = "firebrick2")+
  labs(x = "Rating", y = "Number of ratings", title = "Total Ratings by stars")+
  scale_y_continuous(limits=c(0,380000), labels = scales::comma)+
  coord_flip() + 
  theme_classic()

# Image in the visualization 
image = image_read("imgs/icon-rating.png") 
grid.raster(image, x = 0.80, y = 0.25, height = 0.23)

Como se puede observar en el gráfico, las puntuaciones generalmente han sido positivas ya que el mayor número de observaciones se encuentra concentrado entre 3 estrellas o más. De hecho, si realizamos la media de todas las calificaciones vemos que es de 3.56 estrellas.

La calificación de 4 estrellas es la moda con un total de 368895 votaciones, por lo que se puede deducir que la muestra de películas de este estudio los usuaarios han dado, en general, calificaciones más positivas.

 

¿Cuáles son las películas más votadas?

Una vez visto el número total de calificaciones con el que se trabaja en este estudio, a continuación se representa con una nube de palabras el título de las películas con un tamaño relativo al número de calificaciones que le han dado los usuarios sin tener en cuenta el número de estrellas.

#Se calcula de forma ordenada la cantidad de observaciones por película
movies_title = sort(table(netflix$Title), decreasing = TRUE)
movies_title = as.data.frame(movies_title) %>%
  rename(Title = Var1)

#Representaciñon gráfica
set.seed(2495)
div(wordcloud2(movies_title, size = 0.39), align ="center")

Como podemos observar destacan películas como: Good morning, Vietnam, Lethal Weapon 3 y Freaky Friday.

 

¿Cuál es la distribución de las calificaciones de la película más votada?

Se analiza el número de calificaciones por estrellas de la película más votada.

#Se obtiene la película más votada, la primera de la tabla ordenada
data_morevoted = filter(netflix, Title == movies_title[1, 1])

#Representación gráfica
ggplot(data_morevoted, aes(x = Rating)) +
  geom_bar(aes(y = ..count.., fill = ..count..), 
           show.legend = FALSE) +
  geom_label(aes(label = ..count.., y = ..count..), 
            stat = "count",
            vjust = -.5,
            size = 5) +
  scale_fill_gradient(low = "cadetblue1", 
                      high = "cadetblue4")+
  labs(x = "Rating", 
       y = "Number of ratings", 
       title = data_morevoted$Title[1]) +
  scale_y_continuous(limits=c(0,45000)) +
  coord_flip() + 
  theme_classic()

#Image in the visualization 
image = image_read("imgs/masvotada.jpg") 
grid.raster(image, x = 0.80, y = 0.35, height = 0.4)

La película que ha obtenido el mayor número de calificaciones es Good morning, Vietnam, una película dramática estadounidense, estrenada en 1987, que trata sobre un locutor de radio que llega a Saigón a levantar el ánimo de las tropas en plena guerra entre EE. UU. y Vietnam.

Esta película tiene un total de 82.949 calificaciones siendo la de 4 estrellas la más frecuente y con una media de 3.85, superior a la del estudio (3.56).

 

¿Cuál es la distribución de las calificaciones de la película menos votada?

Se analiza también el número de calificaciones por estrellas de la película menos votada.

#Se obtiene la película menos votada, la última de la tabla ordenada
data_lessvoted = filter(netflix, Title == movies_title[nrow(movies_title), 1])

#Representación gráfica
ggplot(data_lessvoted, aes(x = Rating)) +
  geom_bar(aes(y = ..count.., fill = ..count..), 
           stat="count", 
           show.legend = FALSE) +
  geom_label(aes(label = ..count.., y = ..count..), 
            stat = "count",
            vjust = -.5,
            size = 5) +
  scale_fill_gradient(low = "darkgoldenrod1", 
                      high = "darkgoldenrod3") +
  labs(x = "Rating", 
       y = "Number of ratings", 
       title = data_lessvoted$Title[1]) +
  scale_y_continuous(limits=c(0,8)) +
  coord_flip() + 
  theme_classic()

# Image in the visualization 
image = image_read("imgs/menosvotada.jpg") 
grid.raster(image, x = 0.80, y = 0.35, height = 0.4)

Larryboy and the Rumor Weed” forma parte de una serie estadounidense de películas creadas por ordenador cuyos personajes son frutas y vegetales antropomórficos que cuentan y actúan en historias que transmiten temas morales basados en la cultura cristiana con referencias satíricas a la cultura popular y a eventos de actualidad.

Esta película únicamente cuenta con 10 votos siendo la mayoría de ellos con calificación de 1 estrella y con una nota media de 2.4.

 

¿Afecta la estación del año al número de calificaciones que hacen los usuarios?

Para comprobar si hay diferencia entre el número de votaciones que hay en total dependiendo del mes del año se ha representado la distribución porcentual en un diagrama de barras. Además, se ha incluido una diferenciación gráfica por colores según la estación del año de cada mes en el hemisferio norte y desde el punto de vista astronómico.

#Se calcula la frecuencia en % de cada mes
prop_table_month = prop.table(table(netflix$Month)) %>% 
  as.data.frame() %>% 
  rename(Month = Var1)

#Representación gráfica
bar_plot2 = ggplot(prop_table_month, aes(x = Month, y = Freq)) +
  geom_bar(stat = "identity",
           show.legend = FALSE,
           color = c("darkslategray3", "darkslategray3", "darkslategray3", "lightpink2", 
                     "lightpink2", "lightpink2", "lightgoldenrod2", "lightgoldenrod2", "lightgoldenrod2",
                     "tan2", "tan2", "tan2"),
           fill = c("darkslategray2", "darkslategray2", "darkslategray2", "lightpink1", 
                     "lightpink1", "lightpink1", "lightgoldenrod1", "lightgoldenrod1", "lightgoldenrod1",
                     "tan1", "tan1", "tan1"),
           size = 1) +
  geom_text(aes(label = c(emoji("snowflake"), emoji("snowflake"), emoji("snowflake"),
                          emoji("blossom"), emoji("blossom"), emoji("blossom"),
                          emoji("sun_with_face"), emoji("sun_with_face"), emoji("sun_with_face"),
                          emoji("maple_leaf"), emoji("maple_leaf"), emoji("maple_leaf"))), cex=10, family='EmojiOne') +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1), 
                     limits = c(0, 0.15)) +
  scale_x_discrete(labels = month.abb) +
  ylab("% Ratings") +
  xlab("Rating month") +
  ggtitle("Percentage of ratings by month") +
  theme_minimal()
  
 div(ggplotly(bar_plot2, tooltip = c("Month", "Freq")), align ="center")

Se observa en el gráfico que la distribución de las calificaciones por meses está relativamente compensada, siendo octubre el mes en el cual se calificaron más películas con un 10% del total de votaciones, le sigue el mes de septiembre con un 9.9% y noviembre con un 8.9%. En el mes de enero se realizaron el menor número de calificaciones (6.8% del total).

Se puede deducir que el periodo de otoño, después de las vacaciones de verano, es cuando los usuarios visualizan y votan más películas de la plataforma, lo que tiene sentido ya que con el cambio de estación y rutina la gente realiza planes o actividades más relacionadas con estar en casa.

Además, se puede intuir que con ciertas festividades, como puede ser Halloween celebrada a finales de octubre, se incrementa el número de visualizaciones y calificaciones ya que los usuarios tienden a ver películas de terror. En este caso, en octubre se encuentran valoraciones de películas clasificadas con dicho género: Destino Final, Eaten Alive, Proteus o Killing Zoe, entre otras.

 

¿Afecta el día de la semana al número de visualizaciones y calificaciones que hacen los usuarios?

Realizamos el mismo estudio de la distribución de calificaciones pero teniendo en cuenta en esta ocasión los días de la semana. Para ello, se ha creado una nueva variable en el data set DayOfWeek que, dada la fecha de RatingDate con la función weekdays nos proporciona el día de la semana para un día del calendario en concreto.

#Se añade una variable nueva en el dataset que indique el día de la semana según la fecha de la calificación
netflix$DayOfWeek = weekdays(netflix$RatingDate)

#Representación gráfica
bar_plot3 = ggplot(data = netflix) +
  geom_bar(aes(x = DayOfWeek, y = ..count../sum(..count..)),
           show.legend = FALSE,
           color = c("indianred4", "lightgoldenrod2", "palevioletred2", "palegreen4", 
                     "tan2", "steelblue3", "mediumorchid4"),
           fill = c("indianred3", "lightgoldenrod1", "palevioletred1", "palegreen3", 
                     "tan1", "steelblue2", "mediumorchid3"),
           size = 1) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1), 
                     limits = c(0, 0.25)) +
  scale_x_discrete(limits =  c("lunes", "martes", "miércoles", "jueves", "viernes", "sábado", "domingo")) +
  ylab("% Ratings") +
  xlab("Rating day of week") +
  ggtitle("Percentage of ratings by day of week") +
  theme_minimal()
  
div(ggplotly(bar_plot3), align ="center")

El número de votaciones según el día de la semana sigue una distribución asimétrica positiva. Es decir, a principios de semana se califican más películas y, a medida que se acerca el fin de semana, el número de votaciones se reduce. El martes es el día en el cual se han registrado más calificaciones con un 17.77% del total, mientras que el sábado se han calificado menos películas con un 9.82%.

Se observa que de lunes a jueves se encuentra más del 60% de las calificaciones y, el viernes y fin de semana son los días en los cuales se puntúan un menor número de películas. Esto se puede explicar a los hábitos que normalmente pueden tener los usuarios, ya que en el fin de semana se suelen realizar más planes fuera de casa, mientras que entre semana, al ser día laboral, la gente normalmente pasa más tiempo en casa y es más propensa a utilizar la plataforma.

Con la finalidad de comprobar si los usuarios dan calificación de menor o mayor estrellas según el día, se ha calculado la media de estrellas por día de la semana con el total de datos de la muestra:

#Nota media por día de la semana
mean_by_day = group_by(netflix, DayOfWeek) %>%
  summarise(mean = mean(Rating))

knitr::kable(mean_by_day)
DayOfWeek mean
domingo 3.576075
jueves 3.562534
lunes 3.550603
martes 3.551277
miércoles 3.558774
sábado 3.572199
viernes 3.563512

Como se puede ver, la media no varía apenas entre un día u otro y siempre gira entorno a las 3.5 estrellas, por lo que se concluye que el día de la semana no afecta a la calificación que da el usuario.

 

¿Cómo se distribuyen las votaciones por año?

La distribución de votaciones por años se estudia en relación a las 10 películas más votadas. El rango de años va desde el 1999 hasta el 2005.

#Tabla agrupada por película y año de la valoración
movies_year_rating = table(netflix$Title, netflix$Year)
movies_year_rating = as.data.frame(movies_year_rating)

#Se filtran las 10 películas más votadas 
movies_year_rating %<>% 
  rename(MovieTitle = Var1, Year = Var2) %>% 
  filter(MovieTitle %in% movies_title[1:10,1])
  
#Representación gráfica
line_plot = ggplot(movies_year_rating, 
                   aes(x = Year, y = Freq, 
                       group = MovieTitle, 
                       color = MovieTitle,
                       shape = MovieTitle)) +
  scale_shape_manual(values=1:10) +
  geom_point() +
  geom_line() +
  ylab("Ratings number") +
  xlab("Rating's year") +
  theme_minimal()

div(ggplotly(line_plot, tooltip = c("x", "y", "colour")), align ="center")

Inicialmente se observa que de las películas más votadas, solo 3 de ellas (Good Morning vietnam, Lethal Weapon 3 y Meet Joe Black) tuvieron alguna puntuación en el 1999. Al año siguiente empezaron a calificarse 2 películas más (Bad Boys y Final Destination), en 2001 se sumó Some Like It Hot, y un año después The Rundown y Freaky Friday. Seguidamente, en 2003 comenzó a recibir calificaciones The Grudge y, por último, en 2004 empezó a ser calificada Monster-in-Law.

La cantidad de calificaciones fue aumentando cada año hasta situarse el 2005 donde todas las películas recibieron más calificaciones con excepción de 2 casos: Freaky Friday y The Rundown, las cuales tuvieron su auge en el 2004.

Es lógico afirmar que con el paso de los años se realizan más votaciones ya que el uso de la plataforma Netflix ha ido aumentado y creciendo a la vez que se quedaban atrás otras formas de visualizar películas como pueda ser el alquiler o la compra.

¿Cómo se distribuye el score promedio por año?

Se visualiza la distribución del score promedio por año con las 10 películas más votadas. El rango de años estudiado es desde el 1999 hasta el 2005.

#Se agrupan los datos por título y año de la calificación y se obtiene la media del score
data = filter(netflix, Title %in% movies_title[1:10,1]) %>%
  group_by(Title, Year) %>%
  summarise(mean = mean(Rating))

#Representación gráfica
ggplot(data, aes(fill=Title, y=mean, x=Year)) + 
  geom_bar(position="dodge", 
           stat="identity", 
           show.legend = FALSE) +
  geom_text(aes(label = round(mean, 2), y = round(mean, 2)), 
            show.legend = FALSE,
            vjust = -.4,
            size = 4) +
  facet_wrap(~Title, scales='free') +
  scale_x_discrete(limits=c("1999", "2000", "2001", "2002", "2003", "2004", "2005")) + 
  scale_y_discrete(limits=c(0:5)) +
  theme(panel.spacing.x=unit(1, "lines"), 
        panel.spacing.y=unit(1.5,"lines"),
        axis.text=element_text(size=12),
        axis.text.x = element_text(angle = 90))

#Imagen
image = image_read("imgs/icon-netflix.png") 
grid.raster(image, x = 0.75, y = 0.2, height = 0.35)

Al igual que en el gráfico anterior, se observa que no todas las películas tienen votaciones en años como el 1999, 2000 o 2001. Se puede ver que la media de la puntuación por año de todas ellas siempre se encuentra entre las 3 y 4 estrellas. Casos con excepciones podría ser The Grudge, que en el 2005 obtuvo una media por debajo (2.99 estrellas).

A destacar también las puntuaciones de Freaky Friday que con el paso de los años va disminuyendo su media, cuando otras como Lethal Weapon 3, Bad Boys o Final destination pasan por el caso contrario, donde su media de califación va aumentado. La película Some Like It Hot mantiene una media muy alta rozando casi las 4 estrellas y con una distribución muy estable durante todos los años, casi sin variación en su media.

Analizando estos gráficos se puede llegar a la conclusión de que la película más calificada, lo que quiere decir que es más probable que sea la mas vista, no tiene porque ser la mejor. Por ejemplo, Good Morining, Vietnam que fue la película más votada, no recibió la mejor calificación. De estas 10 películas, podemos decir que Some Like It Hot, a pesar de ser menos votada, es considerada mejor por los usuarios pues su media siempre es superior a 3.9 estrellas.

 

Comparación entre películas

En este apartado se analizan y comparan los datos de diferentes películas del dataset.

Comparamos las 5 películas más votadas

A continuación se realiza una comparación de los estadísticos y distribuciones de las cinco películas con mayor número de valoraciones. Para realizar dicha comparación se exponen los datos en una tabla obtenida en Python con los siguientes datos:

  • Título de la película (Title)
  • Número total de valoraciones (count)
  • Media de las valoraciones en estrellas (mean)
  • Desviación estándar (std)
  • Calificación/valoración mínima en estrellas (min)
  • Calificación/valoración mínima en estrellas (max)
  • Percentil 25 (25%)
  • Percentil 50 (50%)
  • Percentil 75 (75%)
  • La moda de las calificaciones (mode)

Además, se realiza un representación gráfica de tipo boxplot que ayude a visualizar la información.

import tabulate as tb
import pandas as pd
pd.set_option('display.max_columns', None)
netflix_py = pd.read_csv("data/netflix.csv")
res = pd.concat([netflix_py.groupby('Title')['Rating'].describe(),
                      netflix_py.groupby('Title')['Rating'].agg(pd.Series.mode).rename('mode')
                     ], axis=1)
                     
res = round(res.sort_values(by=['count'],ascending = False).head(5), 2)
            
print(tb.tabulate(res, headers='keys', tablefmt='psql'))
## +-----------------------+---------+--------+-------+-------+-------+-------+-------+-------+--------+
## | Title                 |   count |   mean |   std |   min |   25% |   50% |   75% |   max |   mode |
## |-----------------------+---------+--------+-------+-------+-------+-------+-------+-------+--------|
## | Good Morning, Vietnam |   82949 |   3.85 |  0.89 |     1 |     3 |     4 |     5 |     5 |      4 |
## | Freaky Friday         |   80136 |   3.55 |  0.97 |     1 |     3 |     4 |     4 |     5 |      4 |
## | Lethal Weapon 3       |   75148 |   3.81 |  0.97 |     1 |     3 |     4 |     5 |     5 |      4 |
## | Bad Boys              |   61174 |   3.72 |  1    |     1 |     3 |     4 |     4 |     5 |      4 |
## | Final Destination     |   54845 |   3.49 |  1.02 |     1 |     3 |     4 |     4 |     5 |      3 |
## +-----------------------+---------+--------+-------+-------+-------+-------+-------+-------+--------+
#Se filtran las 5 películas más votadas
data_boxplot = filter(netflix, Title %in% movies_title[1:5, 1])

#Representación gráfica
boxplot = ggplot(data_boxplot, aes(Title, Rating, group=Title)) +
  geom_boxplot(
    fill = c("lightsalmon1", "palegreen2", "tomato2", "thistle3", "paleturquoise2" ), 
    colour = c("lightsalmon4", "palegreen4","tomato4", "thistle4", "paleturquoise4" ), 
    outlier.colour = c("lightsalmon4", "palegreen4","tomato4", "thistle4", "paleturquoise4" )) +
  geom_point(stat= "summary", shape=20, size=2, color="gray28") +
  theme(axis.text.x = element_text(angle = 45))

div(ggplotly(boxplot, height = 550, tooltip = c("Rating")), align ="center")

Las cinco películas que más fueron clasificadas por los usuarios son: Good morning, Vietnam con una puntuación media de 3.85 estrellas, Lethal Weapon 3 con 3.81, Bad boys con 3.72, Freaky Friday”* con una media de 3.55 y finalmente Final Destination con 3.49. Todas ellas, excepto las dos últimas, superan la puntuación media del total de este estudio (3.56 estrellas).

Se observa que de las tres primeras películas, el 75% de las calificaciones es de 4 estrellas o menos, ya que la mediana coincide con el tercer cuartil. Los bigotes de estas películas, que representan cada uno el 25% de los datos fuera del rango intercuartílico, muestran que los usuarios han calificado con 2 o 5 estrellas, además de ver reflejados los valores atípicos donde la calificación ha sido de 1 estrella.

En las dos películas restante se puede ver que su distribución es diferente. En estos casos, no existe bigote superior y se observa que las votaciones que predominan se encuentran entre 3 y 5 estrellas. El 50% de las calificaciones es de 4 o menos. En estas dos películas no hay valores atípicos ya hay más distribución de las puntuaciones de los usuarios que van desde 1 a 5 estrellas.

 

Distribución de las películas por año de estreno

Para estudiar la distribución del número de películas que se estrenaron cada año, se realiza un histograma que muestre por cada década desde el 1920 al 2010 el porcentaje total de filmes realizadas para ese rango de años.

break_range = seq(from = 1920, to = 2010, by = 10)

hist_plot1 = ggplot(data = df_movies) +
  geom_histogram(aes(x = MovieRelease, y = ..count../sum(..count..)),
                 breaks = break_range,
                 color = c("darkgoldenrod2", "lightgoldenrod1", "lightblue", "palegreen3", 
                           "lightpink2", "plum3", "steelblue3", "darkolivegreen3", "salmon3"),
                 fill = c("darkgoldenrod1", "khaki1", "lightblue", "palegreen", "lightpink1", 
                          "plum2", "steelblue1", "darkolivegreen2", "salmon1"),
                 size = 1) +
  geom_density(aes(x = MovieRelease, y = 10*..density..),
               color = "black",
               fill = "seashell3",
               size = 1, 
               alpha = 0.2,
               show.legend = FALSE) +
  scale_x_continuous(breaks = break_range) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1), 
                     limits = c(0, 0.5)) +
  scale_color_gradient(low = "indianred1", high = "red2") +
  ylab("% of movies") +
  xlab("Movie release's decade") +
  ggtitle("Percentage of movies released by decade") +
  theme_minimal()

div(ggplotly(hist_plot1), align ="center")

Como se puede observar en el gráfico, el número de películas estrenadas según la década sigue una distribución asimétrica negativa.

En los datos solo 4 películas (1,6%) fueron estrenadas en la década del 1920. Dicho porcentaje ha ido aumentando en las posteriores décadas hasta los 90, donde se alcanza el punto prominente con un 38% del total de estrenos. A principios de los 2000 el número de películas estrenadas ha descendido aproximadamente un 10% respecto a la década anterior, pero esto se debe al muestreo de películas que se está analizando y no tiene porque implicar una disminución en los estrenos de Netflix o producción de películas en general.

Han sido en las últimas dos décadas, que figuran en este estudio, donde se han dado la mayoría de los estrenos, concretamente más del 50% del total. En general, se puede concluir que el catálogo de Netflix dispone de películas más actuales.

 

¿Afecta el año de estreno a la puntuación que los usuarios dan a una película?

Como se ha comentado anteriormente, se añadió al dataset la variable “YearsSinceRelease” con el objetivo de analizar si la diferencia entre el año de estreno de la película y el año de cuando esta se ha calificado influye en el número de calificaciones y en el número de estrellas.

En algunos casos, la variable es un número negativo ya que el año de estreno es posterior a la votación, lo cual no es posible. Esto se puede deber a errores en el dataset con la fecha de estreno de la película, ya que, por ejemplo, se podría tener en cuenta su año de estreno en DVD y no en cines.

#Se calcula las calificaciones según la diferencia de años 
netflix %>%
  count(YearsSinceRelease, Rating) %>%
  ggplot(mapping = aes(x = Rating, y = YearsSinceRelease)) +
  geom_tile(mapping = aes(fill = n, width = 0.9, height = 0.9)) +
  scale_fill_gradientn(colours = c("lightgoldenrod1", "coral",  "orange", "purple", "maroon")) +
  theme_minimal(base_size = 12)

En el presente gráfico se observa que el mayor número de calificaciones se da cuando han pasado un año o dos desde el estreno hasta la calificación, mientras que, el menor número de votaciones se dan cuando han pasado 20 o más años. Con esta representación se puede intuir que la variable “YearsSiceRelease” está correlacionada con el número de calificaciones. Así pues, se puede afirmar que los usuarios prefieren ver películas más actuales.

En cuanto al número de estrellas dado en las puntuaciones de los usuarios, se observa que no hay mucha diferencia entre si la película es más antigua o no, ya que por ejemplo, se puede ver que si han pasado solo 2 o más de 40 años del estreno, las califaciones de 3 o más estrellas aparecen con más frecuencia que las de 1 o 2. Se podría concluir por lo tanto que la antigüedad de la película no influye en el número de estrellas de las votaciones.

 

Nuestra visión del análisis

En este análisis se han podido estudiar las diferentes valoraciones de los usuarios de Netflix de una muestra de 250 películas de la plataforma. Concretamente se ha podido analizar:

  • Número total de calificaciones por estrellas
  • Película de la más a la menos votada (nube de palabras)
  • Distribución por estrellas de la película más y menos votada
  • Distribución de calificaciones por mes
  • Distribución de calificaciones por día de la semana
  • Distribución de calificaciones por año de las películas más votadas
  • Distribución del score promedio por año de las películas más votadas
  • Comparación estadísticos de las 5 películas más votadas
  • Número de películas estrenadas por década
  • Relación entre la calificación y la diferencia en años entre las votaciones y el estreno de las películas

Con el fin de hacer un análisis más exhaustivo hubiese sido interesante disponer del género y duración de la película o más información de los usuarios como pueda ser la edad, el sexo o el tiempo que lleva suscrito a la plataforma. No obstante, se ha observado como, en general, el aumento de usuarios, calificaciones y, por lo tanto, visualizaciones ha ido en aumento año tras año. La plataforma de streaming cuenta cada vez más con películas antiguas y, sobre todo, actuales que crean un enorme catálogo donde la gente está dispuesta a pasar sus horas de ocio.

#Representación gráfica películas según número de calificaciones
set.seed(2)
ggplot(movies_title, aes(label = Title, 
                         size = Freq, 
                         color = Freq, 
                         angle = sample(c(0,15,30, 45,60, 75,90, 105,120,135, 160), 250, replace = TRUE))) +
  geom_text_wordcloud_area(mask = png::readPNG("imgs/netflix-mask2.png"),
                           rm_outside = T) +
  scale_color_gradient(low = "indianred1", high = "red2") +
  theme_minimal()